Aplicações tecnológicas a favor dos idosos

Este documento inclui o "Relatório 2. Relatório de acompanhamento" da proposta de investigação sobre o envelhecimento e longevidade intitulado: "Conceção, desenvolvimento e avaliação de uma plataforma de treino cognitivo utilizando um sistema de interface cérebro-computador", cujo objetivo é fornecer uma ferramenta para o treino cognitivo dos idosos utilizando técnicas de neurofeedback para travar a deterioração associada ao envelhecimento normal. 

O documento está organizado da seguinte forma. Para começar, é feito um acompanhamento sobre os objetivos estabelecidos, estabelecendo o grau de cumprimento dos mesmos. Posteriormente, são listadas as tarefas realizadas até ao momento, bem como os resultados obtidos de acordo com o plano de trabalho estabelecido na candidatura do projeto. Finalmente, o cronograma final é incluído de acordo com as tarefas e os resultados a serem realizados nos meses seguintes. 

Desenvolvimento dos objetivos propostos 

Segue-se uma descrição do grau de cumprimento dos objetivos específicos descritos no relatório técnico do projeto, indicando a percentagem atingida. 

O.E.1. desenhar e desenvolver a plataforma de treino cognitivo BCI 

Este objetivo foi plenamente atingido, como previsto a meio do projeto de acordo com o plano de trabalho incluído no relatório técnico. Na fase de desenho e captura de requisitos, foram determinadas as funções neuropsicológicas a serem treinadas com a plataforma de treinamento cognitivo, bem como os métodos de processamento de sinal eletroencefalograma (EEG) a serem utilizados e o feedback visual mais apropriado para cada tarefa. Relativamente ao desenvolvimento da plataforma, foi concluída a implementação da interface do utilizador e dos métodos de processamento do sinal EEG a utilizar no projeto, incluindo algoritmos para a análise espacial e de frequência do sinal EEG. As aplicações de feedback visual da plataforma também foram desenvolvidas, consistindo em 4 tarefas. 

O.E.2 Validação da plataforma de treino cognitivo BCI 

Este objetivo foi atingido a 10%, excedendo a percentagem inicialmente estimada para esta fase do projecto. A fim de antecipar os prazos, foi iniciado o recrutamento de voluntários para a avaliação da plataforma. O grupo de teste de laboratório foi determinado e será composto por 10 pessoas saudáveis com menos de 40 anos de idade. Este grupo permitirá a validação da plataforma no laboratório para corrigir erros através de um processo iterativo e garantir o bom funcionamento de todos os módulos de software desenvolvidos. O recrutamento da população do estudo que participará da avaliação final da plataforma também já começou. Esta população será composta por pelo menos 20 pessoas com mais de 60 anos de idade. Quando o desenvolvimento da plataforma estiver concluído, os testes de laboratório serão realizados com o grupo correspondente. Uma vez que todos os erros possíveis tenham sido resolvidos, o protocolo de validação da plataforma começará na população do estudo. 

O.E.3 Difundir os resultados 

Este objetivo ainda não foi abordado, uma vez que está associado à fase de validação da plataforma final de treino cognitivo. 

Tarefas realizadas e resultados alcançados 

Esta seção descreve as tarefas técnico-científicas realizadas para alcançar os objetivos estabelecidos no projeto, os resultados associados a elas e os resultados alcançados em cada uma delas. 

TAREFA 1. conceção da plataforma de treino cognitivo (O.E.1) 

Sub-tarefa 1.1 Concepção da metodologia de formação 

A primeira sub-tarefa foi focada na identificação das funções neuropsicológicas a serem treinadas com a plataforma. Para poder fornecer feedback ao utilizador através do EEG que está relacionado com cada uma delas, é essencial escolher cuidadosamente estas funções de acordo com as áreas corticais que são activadas quando estas funções são estimuladas. 

Atualmente, como resultado de extensas pesquisas ao longo do último século, existem várias teorias relacionadas com a especialização de diferentes zonas corticais. A teoria da modularidade, sucessora da frenologia antiquada, sugere que o cérebro é composto por regiões específicas altamente especializadas em diferentes funções cognitivas (Fodor 1983). Por outro lado, a teoria do processamento distribuído sugere que a informação é processada de forma distribuída entre várias partes do córtex (McIntosh 1999). Estudos recentes baseados na teoria dos gráficos, no entanto, dependem de uma combinação de ambos. Embora se pense que processos cognitivos complexos envolvem a interacção de diferentes partes do cérebro, a comunidade científica assume que certas regiões são mais especializadas do que outras em determinadas funções (Bullmore e Sporns 2009). Entretanto, deve-se notar que não há um consenso claro sobre a localização de certas funções neuropsicológicas, e em numerosas ocasiões a mesma área do córtex está associada a várias habilidades neuropsicológicas diferentes. 

Vários estudos têm demonstrado que uma maior sincronização da atividade dos neurónios localizados em regiões específicas do córtex, refletida como um aumento da força do sinal EEG, influencia positivamente as funções associadas, (Enriquez-Geppert, Huster, e Herrmann 2017). Portanto, as capacidades a serem treinadas foram definidas com base em evidências de estudos anteriores. As três primeiras tarefas serão orientadas para a estimulação de três funções específicas: memória, controlo da atenção e atividade conceptual (Cappelletti et al. 2009; Enriquez-Geppert et al. 2014, 2017; Hsueh et al. 2016; Ros et al. 2017; Scharnowski et al. 2012; Vernon et al. 2003; Zoefel, Huster, e Herrmann 2011). Para cada uma destas funções, foi identificada uma região cerebral e uma ou mais bandas de frequência que o utilizador deve aprender a modular com a ajuda do feedback fornecido pela plataforma. O objetivo do utilizador durante o treino será aumentar a potência do seu sinal EEG na região cortical e bandas definidas. Além disso, uma quarta tarefa, mais complexa, também está incluída que cobre várias regiões do cérebro (ou seja, frontal, central e temporal) e usa ritmos sensorimotores (SMR) para o controle de um simples vídeojogo. Nesta tarefa, o utilizador deve imaginar os movimentos das suas mãos esquerda e direita, modulando a sua atividade em áreas contralaterais do seu cérebro (Wolpaw e Wolpaw 2012). Isto permite introduzir um controlo com dois graus de liberdade em vez de um, aumentando a complexidade. Esta tarefa mostrou-se eficaz num estudo anterior para a melhoria do estado cognitivo geral, melhorando várias funções neuropsicológicas ao mesmo tempo (Gomez-Pilar et al. 2016). A tabela 1 especifica, para cada uma das 4 tarefas, as funções neuropsicológicas alvo e a região cerebral e as bandas de frequência envolvidas. 

Tabela 1. Funções neuropsicológicas selecionadas para treinar com a plataforma desenvolvida. O utilizador deve modular a sua actividade cerebral de forma endógena na área e bandas correspondentes a cada função utilizando a realimentação fornecida.

A maioria dos estudos anteriores unicamente analizava as alterações que o treino cognitivo baseado em neurofeedback produziu na função neuropsicológica específica que está a ser estudada. Entretanto, há indicações claras de que a estimulação endógena de uma determinada região cerebral pode influenciar várias habilidades ao mesmo tempo (Gomez-Pilar et al. 2016; Vernon et al. 2003). Por este motivo, neste projeto será realizada uma análise neuropsicológica completa antes e depois do treino com a bateria LURIA-DNA, um dos mais prestigiados e completos instrumentos de avaliação neuropsicológica. Esta bateria de testes explora sistematicamente através de um conjunto de 9 testes as seguintes habilidades: visuospatial, linguagem, memória, processos intelectuais e atenção. 

Sub-tarefa 1.2. Desenho da Realimentação Visual 

Uma vez decididas as funções neuropsicológicas a serem treinadas, é necessário desenhar a estratégia de estimulação que será seguida para treinar cada uma delas. Para tal, foram concebidas 4 tarefas diferentes relacionadas com as 4 funções neuropsicológicas, nas quais será oferecido ao utilizador um feedback em tempo real que reflectirá a sua própria atividade na área e banda escolhida na Sub-tarefa 1.1. Esta informação será fornecida de forma contínua, atraente e motivadora. Para que o utilizador aprenda a modular correctamente a sua atividade cerebral de uma forma endógena, foi concebida um realimentação diferente para cada tarefa: 

1. Memória. A primeira tarefa será a de estimular a região frontal do córtex, que regula amplamente a memória do utilizador a curto e longo prazo. Será oferecido um painel com números diferentes, que desaparecerá alguns segundos depois. Posteriormente, será oferecido outro painel ao utilizador, onde um dos números foi substituído por outro. O utilizador deve tentar lembrar que número desapareceu. A realimentação visual mostrará o número a ser lembrado progressivamente com um fade in à medida que o utilizador gera a atividade apropriada na área frontal. Esta tarefa foi desenhada para facilitar a geração da atividade apropriada na região frontal enquanto o utilizador tenta lembrar o número. Entretanto, é comum que este encontre as suas próprias estratégias para manter a sua atividade cerebral nos parâmetros determinados à medida que o treino progride, e assim conseguir revelar o número oculto. 

2. Controlo de atenção. A segunda tarefa está focada em estimular as bandas alfa e beta na região central do córtex, localizada na parte posterior do lobo frontal, que regula a atenção e concentração do utilizadores. Nesta tarefa será exibida uma esfera branca e uma barra indicando um gradiente de cor. O objetivo do utilizador será colorir a esfera completamente. Para isso, terá de encontrar as estratégias certas para estimular a região central do seu cérebro de modo que, quando aumentar a potência nas bandas alfa e beta, a esfera começará gradualmente a ser tingida com a cor escolhida. 

3. Atividade conceitual. A terceira tarefa será focada no treino das habilidades conceituais do utilizador. Ele mostrará um cubo empoleirado sobre uma mesa que começará a subir quando a atividade cerebral na região e bandas associadas a esta tarefa for adequada. Portanto, o objetivo do utilizador será aprender como controlar o cubo e levá-lo a uma certa altura. Para conseguir isso, a princípio deve imaginar o cubo a partir de diferentes perspectivas (habilidades visuoespaciais), realizar operações aritméticas ou realizar outras atividades relacionadas a conceitos abstratos, que demostraram modificar a atividade na zona parietal do córtex. Contudo, tal como nas tarefas anteriores, é habitual que os utilizadores acabem por encontrar as suas próprias estratégias para manter a sua atividade dentro dos parâmetros definidos. 

4. Formação geral. A quarta tarefa, centrada na área sensorimotora do córtex (ou seja, região posterior do córtex frontal e região anterior do córtex parietal), mostrará um avatar num caminho. Nesta ocasião, o utilizador terá que modular a sua atividade nos dois hemisférios cerebrais independentemente, o que requer grande concentração e esforço mental. Ao imaginar o movimento das mãos direita e esquerda, o utilizador vai gerar atividade na área contralateral do córtex, fazendo com que o avatar se mova. O objetivo será evitar os obstáculos que aparecem no caminho. 

A interface gráfica de cada uma das tarefas acima será mostrada abaixo, após o desenvolvimento da Tarefa 2. 

Da mesma forma, o desenvolvimento da Tarefa 1 associou os resultados 1.1. Neste relatório, todas as decisões acima foram reunidas: seleção das funções neuropsicológicas a serem entregues, localização da atividade relacionada no córtex, seleção das frequências de EEG alvo e o desenho da realimentação visual das 4 tarefas. 

TAREFA 2. desenvolvimento da plataforma de treino cognitivo (O.E.1) 

Sub-tarefa 2.1. Desenvolvimento das fases de processamento do sinal 

A primeira sub-tarefa da Tarefa 2 foi focada no desenvolvimento das etapas de processamento de sinal que irão compor a plataforma de treino cognitivo. Estas etapas monitorarão o sinal EEG do utilizador, pré-processando-o para eliminar interferências externas e artefatos fisiológicos ruidosos, processando-o para detectar atividade cerebral numa determinada área e convertendo essa atividade em realimentação para exibição ao utilizador. As etapas de processamento de sinal desenvolvidas estão delineadas na Figura 1. 

O processamento do sinal consiste nas seguintes etapas: 

1. gravação do sinal EEG. Será utilizado um g.USBamp da empresa g.Tec (Áustria) com 16 eléctrodos ativos e uma frequência de amostragem de 256 Hz. Uma vez colocados os eléctrodos nas posições indicadas na Tabela 1, é aplicado um gel condutor inofensivo que promove a recepção do sinal EEG e reduz a impedância do ar de contacto entre os eléctrodos e o couro cabeludo. Deve-se notar que o equipamento é completamente portátil, já que o sinal é recebido através da tecnologia Bluetooth de uma forma sem fios. O sinal EEG será recebido pelo computador, adquirido através do protocolo Lab Streaming Layer (LSL). 

2. Pré-processamento do sinal EEG Um filtro passa-alto com uma frequência de corte de 0,5 Hz deve ser aplicado para remover o componente contínuo do sinal EEG e um filtro de espaço de referência médio comum (CAR) deve ser aplicado para aumentar a relação sinal/ruído, reduzir o embaçamento espacial dos eléctrodos e remover artefactos do sinal. 

3. Processamento de sinais. Nesta etapa será calculada a potência EEG no local cortical e bandas especificadas. Para este fim: (i) seleccionar os canais EEG associados a cada função neuropsicológica (Tabela 1, coluna 3); (ii) filtrar as bandas de frequência de interesse utilizando um filtro passa-banda (Tabela 1, coluna 4); (iii) calcular a potência do sinal; (iv) e enviá-lo para a aplicação de realimentação visual, permitindo o seu controlo em tempo real. 

Os algoritmos anteriormente mencionados foram integrados na plataforma desenvolvida para a análise do sinal EEG em tempo real. Esta plataforma foi desenvolvida em Python, uma linguagem multiplataforma que possui um grande número de bibliotecas que facilitam a tarefa de desenvolvimento. Especificamente, tem suporte para Qt, um dos frameworks de desenvolvimento de interface gráfica mais utilizados atualmente. Esta biblioteca foi utilizada para desenvolver a interface principal do utilizador, que permite o controlo da aplicação de neurofeedback, a representação temporal e de frequência em tempo real do sinal EEG e a seleção dos parâmetros de treino de uma forma fácil e intuitiva. A figura 2 mostra uma imagem da interface do usuário da plataforma de treinamento cognitivo desenvolvida. O módulo de processamento de sinais também foi desenvolvido em Python, o que facilita a sua integração no fluxo de trabalho geral da plataforma. Além disso, existem muitas bibliotecas, como a numpy ou scipy, que permitem cálculos matriciais e incluem funções para o desenho de filtros que facilitam a implementação dos métodos de processamento de sinais descritos no ponto anterior. 

Figura 1: Esquema do processamento do sinal desenvolvido. Para começar, o EEG do utilizador é gravado por meio de um dispositivo com 16 canais ativos. Em seguida, o sinal é pré-processado através da remoção de artefatos e interferências através de filtragem espacial e de frequência. Para quantificar a atividade do utilizador numa área localizada do córtex e numa banda de frequência específica, o sinal é filtrado novamente e encontra-se a potência relativa do sinal na banda filtrada. 

Figura 2. interface gráfica da plataforma de treino cognitivo Os parâmetros de treino são selecionados no painel esquerdo. No lado direito é representado o sinal EEG nos domínios temporal e de frequência. 

Da mesma forma, o desenvolvimento da sub-tarefa 2.1. tem associado o entregável 2.1. "Relatório com as características técnicas da plataforma desenvolvida". Este relatório inclui todas as características anteriormente mencionadas: linguagens de programação, protocolo de registo, equipamento de registo EEG, fase de pré-processamento de sinal e fase de processamento de sinal. 

Sub-tarefa 2.1. Desenvolvimento de aplicações de realimentação visual 

A segunda sub-tarefa da Tarefa 2 foi focada no desenvolvimento das aplicações de realimentação visual que irão compor as 4 tarefas a serem realizadas pelo utilizador. 

O módulo de realimentação visual foi desenvolvido em Unity, um dos ambientes de desenvolvimento gráfico mais utilizados atualmente. Como o Python, Unity é um ambiente multiplataforma, que assegura a operação da plataforma nos sistemas operacionais mais comuns (por exemplo, Windows, Linux, Mac). As aplicações desenvolvidas, portanto, recebem a potência do sinal EEG nas regiões corticais e bandas especificadas pelo módulo de processamento de sinais (Figura 1), e agem em conformidade. As figuras 3-6 mostram screenshots das 4 aplicações desenvolvidas, cujo funcionamento foi previamente detalhado durante a sub-tarefa 1.2. 

Da mesma forma, o desenvolvimento da sub-tarefa 2.2 tem a "plataforma de treino cognitivo BCI" associada a ela. Dado que todas as etapas da plataforma foram desenvolvidas, existe atualmente um protótipo da mesma, que deve ser avaliado com o grupo do laboratório para detetar possíveis erros e implementar sugestões de melhoria. Finalmente, o protótipo final será avaliado com a população do estudo. 

TAREFA 3: Avaliação da plataforma de treino cognitivo (O.E.3) 

Como especificado originalmente na proposta, o protocolo de avaliação da plataforma consiste em três etapas (Figura 7): 

1. Avaliação neuropsicológica por um especialista usando o teste LURIA-DNA e registros iniciais de EEG de base para toda a população do estudo.

2. A população está dividida em dois subgrupos. Um dos subgrupos não utilizará a plataforma de treino cognitivo, enquanto o outro realizará 8 sessões de treino de aproximadamente uma hora e meia.

3. Evaluación neuropsicológica realizada por un especialista mediante el test de LURIA-DNA y registros EEG basales finales a toda la población de estudio. 

Esta tarefa foi originalmente planeada entre os meses 7-9. No entanto, como a duração do projeto é atualmente de 10 meses, o grupo de controlo do laboratório já foi recrutado para realizar os testes adequados antes da avaliação final; e o recrutamento da população em estudo (pessoas com mais de 60 anos) já começou.

Figura 3. realimentação visual da primeira tarefa, onde a região frontal nas bandas theta e alpha será estimulada. Vai mostrar vários números durante alguns segundos. Mais tarde, um número será trocado por outro, e o utilizador deve se lembrar qual deles é. Se o utilizador mantém a sua atividade cerebral dentro dos parâmetros determinados, o número será revelado pouco a pouco. 

Figura 4. realimentação visual da segunda tarefa, onde a região central nas bandas alpha e beta será estimulada. Quando a potência do EEG excede um determinado limiar, a esfera, que inicialmente é branca, ficará progressivamente vermelha. Quanto maior o poder, mais rápido a cor muda. 

Figura 5. realimentação visual da terceira tarefa, onde será estimulada a região parietal na banda alpha, associada à atividade conceitual. Quando a potência do EEG ultrapassa um determinado limite, o cubo sobe e começa a rodar. Quanto maior o poder, maior é a velocidade de viagem. 

Figura 6. realimentação visual da quarta tarefa. Nesta tarefa, o avatar move-se ao longo do caminho, onde os obstáculos aparecem aleatoriamente. O objetivo do utilizador é evitar os obstáculos, modulando a sua atividade cerebral nos dois hemisférios contralaterais separadamente. Quando o poder do EEG é maior no hemisfério direito, o avatar move-se para a esquerda; e vice-versa. A introdução de dois graus de liberdade aumenta a complexidade da tarefa. 

Figura 7: Protocolo de validação da plataforma de treino cognitivo. 

Sub-tarefa 3.1. Recrutamento da população do estudo 

A primeira sub-tarefa da Tarefa 3 é focada no recrutamento da população do estudo que avaliará a plataforma de treinamento cognitivo. 

Até agora, um grupo de controle de 10 utilizadores, todos com menos de 40 anos, foi recrutado para avaliar a plataforma no laboratório. Estes testes serão usados para corrigir possíveis erros de programação e verificar as estratégias mentais mais eficazes para que os utilizadores aprendam a modular a sua atividade cerebral na área e banda de frequência corretas. 

O recrutamento da população do estudo também já começou, e será composta por pelo menos 20 pessoas com mais de 60 anos. Para isso, a Fundação ASPAYM tem colaborado promovendo a participação no estudo no seu centro de dia. 

Plano de trabalho até ao final do projeto 

Referências 

Bullmore, Ed and Olaf Sporns. 2009. “Complex Brain Networks: Graph Theoretical Analysis of Structural and Functional Systems.” Nature Reviews Neuroscience 10(3):186. 

Cappelletti, Marinella, Hwee Ling Lee, Elliot D. Freeman, and Cathy J. Price. 2009. “The Role of Right and Left Parietal Lobes in the Conceptual Processing of Numbers Marinella.” Journal of Cognitive Neuroscience 22(2):331–46. 

Enriquez-Geppert, Stefanie, René J. Huster, Christian Figge, and Christoph S. Herrmann. 2014. “Self- 

Regulation of Frontal-Midline Theta Facilitates Memory Updating and Mental Set Shifting.” Frontiers in Behavioral Neuroscience 8:1–13. 

Enriquez-Geppert, Stefanie, René J. Huster, and Christoph S. Herrmann. 2017. “EEG-Neurofeedback as a Tool to Modulate Cognition and Behavior: A Review Tutorial.” Frontiers in Human Neuroscience 11(February):1–19. 

Fodor, Jerry A. 1983. The Modularity of Mind. MIT press. 

Gomez-Pilar, Javier, Rebeca Corralejo, Luis F. Nicolas-Alonso, Daniel Álvarez, and Roberto Hornero. 2016. “Neurofeedback Training with a Motor Imagery-Based BCI: Neurocognitive Improvements and EEG Changes in the Elderly.” Medical and Biological Engineering and Computing 54(11):1655–66. 

Hsueh, Jen Jui, Tzu Shan Chen, Jia Jin Chen, and Fu Zen Shaw. 2016. “Neurofeedback Training of EEG Alpha 

Rhythm Enhances Episodic and Working Memory.” Human Brain Mapping 37(7):2662–75. 

McIntosh, Anthony Randal. 1999. “Mapping Cognition to the Brain through Neural Interactions.” Memory 7(5–6):523–48. 

Ros, Tomas, Abele Michela, Anne Bellman, Philippe Vuadens, Arnaud Saj, and Patrik Vuilleumier. 2017. 

“Increased Alpha-Rhythm Dynamic Range Promotes Recovery from Visuospatial Neglect: A Neurofeedback Study.” Neural Plasticity 2017:1–9. 

Scharnowski, Frank, Chloe Hutton, Oliver Josephs, Nikolaus Weiskopf, and Geraint Rees. 2012. “Improving 

Visual Perception through Neurofeedback.” Journal of Neuroscience 32(49):17830–41. 

Vernon, David, Tobias Egner, Nick Cooper, Theresa Compton, Claire Neilands, Amna Sheri, and John 

Gruzelier. 2003. “The Effect of Training Distinct Neurofeedback Protocols on Aspects of Cognitive Performance.” International Journal of Psychophysiology 47(1):75–85. 

Wolpaw, Jonathan and Elizabeth Winter Wolpaw. 2012. Brain-Computer Interfaces: Principles and Practice. 

OUP USA. 

Zoefel, Benedikt, René J. Huster, and Christoph S. Herrmann. 2011. “Neurofeedback Training of the Upper 

Alpha Frequency Band in EEG Improves Cognitive Performance.” NeuroImage 54(2):1427–31.